Abstract
The purpose of this paper is to analyze the significance of independent variables in estimating crack density using machine learning algorithms. The algorithms used were random forest and SHAP, with the independent variables being compressional wave velocity, shear wave velocity, porosity, and Poisson's ratio. Rock samples were collected from construction sites and processed into cylindrical forms to facilitate the acquisition of each input property. Artificial weathering was conducted twelve times to obtain values for both independent and dependent variables with multiple features. The application of the two algorithms revealed that porosity is a crucial independent variable in estimating crack density, whereas shear wave velocity has a relatively low impact. These results suggested that the four physical properties set as independent variables were sufficient for estimating crack density. Additionally, they presented a methodology for verifying the appropriateness of the independent variables using algorithms such as random forest and SHAP.
해당 논문의 목적은 균열밀도 산정 시 독립변수로 설정한 값이 얼마나 중요하게 작용하는지를 기계학습 기반의 알고리즘으로 분석하는 것이다. 논문에서 사용한 알고리즘은 random forest와 SHAP이며, 독립변수는 압축파 속도, 전단파 속도, 간극률 그리고 포아송 비로 결정하였다. 암석 시료는 건설현장에서 채취하였으며, 원기둥 형태로 가공하여 각 입력 물성치의 획득이 용이하게 고려하였다. 다수의 특징이 포함된 독립 및 종속 변수 값을 얻고자 인위적인 풍화를 진행하였으며, 총 12회 진행하였다. 2가지 알고리즘 적용 결과 간극률이 균열밀도 산정시 매우 중요한 독립변수로 나타났으며, 전단파 속도가 상대적으로 낮은 영향을 미치는 인자로 나타났다. 이와 같은 결과는 독립변수로 설정한 4개의 물성치로 충분히 균열밀도를 추정할 수 있음을 시사하며 random forest 및 SHAP과 같은 알고리즘을 통해 설정된 독립 변수가 적절하게 구성되었는지 확인할 수 있는 방법론도 제시하였다.